2023-09-25：ChatGPT 从纯文本走向多模态交互，看、听、说能力意味着什么？
- 1、ChatGPT 为什么要从纯文本走向多模态？
- 2、“看、听、说”分别解决了什么问题？
- 2.1 看：图像理解
- 2.2 听：语音识别
- 2.3 说：语音回应
- 3、多模态交互的完整流程是什么？
- 4、从纯文本到多模态，本质变化在哪里？
- 5、多模态能力可以应用在哪些场景？
- 5.1 识图问答
- 5.2 语音助手
- 5.3 学习辅导
- 5.4 内容创作
- 5.5 无障碍交流
- 6、这次升级对普通用户意味着什么？
- 7、我的理解：多模态不是功能升级，而是交互范式升级
- 8、总结
2023 年 9 月 25 日，ChatGPT 迎来了一个非常重要的能力节点：开始逐步支持“看、听、说”能力。
这意味着 ChatGPT 不再只是一个只能接收文字、输出文字的聊天工具，而是开始进入一个更接近真实人机交互的阶段。
简单说：
以前的 ChatGPT，主要是“读文字、写文字”。现在的 ChatGPT，开始具备“看图片、听语音、说出来”的多模态交互能力。这背后的核心变化，不是功能多了几个按钮，而是人机交互方式发生了升级。
1、ChatGPT 为什么要从纯文本走向多模态？
过去我们和 AI 对话，主要依赖文字输入。
比如：
- 我们输入一个问题；
- AI 理解文字；
- AI 输出文字答案。
这种方式已经很强，但它仍然有明显限制：很多真实世界的信息并不是以文字形式存在的。
比如：
- 一张图片里的故障现象；
- 一段语音里的问题描述；
- 一个界面截图中的报错信息；
- 一张图表里的趋势变化；
- 一个实物照片里的细节识别。
如果只能靠文字描述，用户就必须先把看到的东西转成文字，再交给 AI 分析。这个过程不仅麻烦，而且容易丢失信息。
所以，多模态能力的价值就在于：让 AI 直接理解更多类型的信息，而不是只理解文字。
从这张结构图可以看出，多模态交互并不是简单地把图片、语音、文字放在一起，而是让模型具备统一处理多种信息的能力。
它大致包括三类输入和两类输出：
| 类型 | 能力 | 说明 |
|---|---|---|
| 文本输入 | 理解文字问题 | 继续支持传统文字问答 |
| 图像理解 | 识别图片内容 | 可以分析截图、照片、图表等 |
| 语音输入 | 听懂语音内容 | 用户可以直接说话提问 |
| 文本回复 | 输出结构化答案 | 适合阅读、复制、整理 |
| 语音输出 | 直接语音播报 | 让交流更接近日常对话 |
这就是为什么我认为，2023 年 9 月 25 日这个节点非常关键：它代表 ChatGPT 从“文本型助手”开始向“多模态智能助手”演进。
2、“看、听、说”分别解决了什么问题？
多模态能力可以拆成三个关键词：看、听、说。
2.1 看：图像理解
“看”指的是 ChatGPT 可以理解图片内容。
比如用户上传一张图片，ChatGPT 可以帮助分析：
- 图片里有什么；
- 截图中出现了什么错误；
- 图表表达了什么趋势；
- 某个界面应该如何操作；
- 某个实物、场景、文档截图大概表达了什么。
对于技术学习和桌面运维场景来说，这个能力非常实用。
比如以后用户电脑出现报错，不一定非要把错误代码手动打出来，可以直接上传截图，让 AI 辅助判断问题方向。
2.2 听：语音识别
“听”指的是 ChatGPT 可以接收语音输入。
这解决的是输入效率问题。
有些时候，我们并不方便打字，尤其是：
- 手机端临时提问；
- 开车、走路、做事时需要快速咨询；
- 用户表达较长问题时；
- 学习英语口语或练习对话时。
语音输入让 ChatGPT 更像一个可以随时交流的助手，而不是一个必须依赖键盘输入的工具。
2.3 说：语音回应
“说”指的是 ChatGPT 可以用语音方式进行回应。
这让 AI 的反馈方式从“阅读答案”变成“听答案”。
在学习、陪练、口语交流、无障碍场景中，语音输出的价值会更明显。
尤其是英语学习、知识讲解、语音陪练这类场景，语音回应会让交互体验更自然。
3、多模态交互的完整流程是什么？
从用户角度看，多模态交互大致可以理解为五步：
- 用户提出问题
- 上传图片或输入语音
- 模型理解文本、图片、语音内容
- 生成结构化回答
- 通过文字、语音或图文结合方式反馈
这个流程看似简单，但核心变化非常大。
以前的流程是：
输入文字 → 理解文字 → 输出文字现在的流程变成：
输入文字 / 图片 / 语音 → 多模态理解 → 输出文字 / 语音 / 图文反馈也就是说，ChatGPT 的交互边界被扩大了。
这个流程最大的意义是：用户不需要为了适应 AI 而改变表达方式，AI 开始适应用户更自然的表达方式。
这才是多模态能力真正重要的地方。
4、从纯文本到多模态，本质变化在哪里？
这张对比图把变化讲得很清楚。
以前的 AI 交互更像是：
我打字，你回答。
现在的 AI 交互开始变成：
我可以打字，也可以说话，还可以发图片；你不仅能读懂文字，也能看懂图片、听懂语音，并用更自然的方式回应我。
这个变化可以从四个维度理解。
| 维度 | 纯文本阶段 | 多模态阶段 |
|---|---|---|
| 输入方式 | 主要依赖键盘文字 | 支持文字、图片、语音等多种输入 |
| 理解对象 | 主要理解文本 | 可以理解图像、语音、上下文 |
| 交互体验 | 更像查询工具 | 更像智能助手 |
| 应用场景 | 问答、写作、查询 | 学习、办公、识图、语音陪练、辅助分析 |
这里要特别强调一点：
多模态不是为了炫技，而是为了降低用户表达成本。
用户看到什么，就可以直接发什么；用户想到什么，就可以直接说出来。
这才是它真正提升效率的地方。
5、多模态能力可以应用在哪些场景？
多模态能力带来的变化，不只是聊天方式变得更自然，更重要的是应用场景被扩大了。
5.1 识图问答
用户可以上传图片，让 ChatGPT 帮助识别和解释。
比如：
- 识别图片中的地点；
- 分析图片中的物品；
- 看懂图表趋势；
- 分析界面截图；
- 辅助理解操作步骤。
对于技术博客、运维排障、学习笔记来说，识图能力非常有价值。
5.2 语音助手
语音输入和语音输出结合后，ChatGPT 更接近一个语音助手。
它可以用于：
- 语音提问；
- 语音答疑；
- 口语练习；
- 知识讲解；
- 移动场景下快速沟通。
5.3 学习辅导
多模态能力对学习场景也非常友好。
比如学生可以上传题目图片，让 AI 辅助讲解；也可以用语音追问，让学习过程更接近真实老师答疑。
5.4 内容创作
对于写作、博客、文案、知识整理来说，多模态能力也能提高效率。
比如：
- 根据图片生成说明文字；
- 根据截图整理教程步骤；
- 根据语音想法生成文章初稿；
- 根据图表提炼结论；
- 根据文章内容生成配图思路。
5.5 无障碍交流
语音转文字、文字转语音、图像理解等能力，也能帮助更多人降低沟通门槛。
这类能力在无障碍沟通、辅助阅读、信息转写等场景中会越来越重要。
6、这次升级对普通用户意味着什么？
我觉得，这次升级对普通用户最大的意义可以总结成三句话：
第一，提问门槛降低了。
用户不必把所有信息都转成文字，可以直接发图片、说语音。
第二，理解能力增强了。
AI 不再只看文字，而是能结合图像、语音和上下文进行理解。
第三，交互体验更自然了。
AI 不只是一个文字工具，而是更接近一个可以交流、可以解释、可以陪练的助手。
这意味着未来使用 AI 的方式会越来越接近真实沟通。
不是人去适应工具，而是工具逐渐适应人的表达方式。
7、我的理解：多模态不是功能升级，而是交互范式升级
如果只是从表面看，多模态好像只是多了几个功能：
- 可以上传图片；
- 可以语音输入；
- 可以语音回复。
但如果往深一层看，它代表的是 AI 产品形态的变化。
过去，ChatGPT 更像是一个“文本问答系统”。
现在，它开始向“综合智能助手”发展。
这个变化的核心不是按钮变多了，而是：
AI 开始理解更接近真实世界的信息。
真实世界不是纯文字的。
真实世界里有图片、声音、场景、动作、环境、截图、表格、语气和上下文。
当 AI 能够处理这些信息时，它能参与的场景就会明显扩大。
8、总结
2023 年 9 月 25 日，ChatGPT 开始支持“看、听、说”能力，这是一个非常值得记录的产品演进节点。
它标志着 ChatGPT 从纯文本对话，开始走向多模态交互。
本文可以用一句话总结：
ChatGPT 的多模态能力，本质上不是让 AI 多几个输入输出方式，而是让人机交互变得更自然、更直观、更接近真实沟通。
对于普通用户来说，它降低了使用门槛；
对于学习者来说，它提升了理解效率；
对于创作者来说，它拓展了内容生产方式；
对于技术人员来说，它提供了新的辅助分析入口。
未来，AI 工具的竞争，可能不只是回答得准不准，还包括：
- 是否能理解更多信息；
- 是否能更自然地交流；
- 是否能嵌入更多真实工作场景；
- 是否能真正帮助用户减少重复劳动。
这也是我持续关注 ChatGPT、多模态 AI 和自动化工具的原因。
因为它们正在把复杂的信息处理过程，变得越来越简单。
🔝 返回顶部
点击回到顶部
